计算机视觉已经成为人工智能领域最热门的课题之一,与自然语言理解、专家系统一起成为人工智能最活跃的三大领域。在计算机视觉领域当中,视频序列的运动检测和目标跟踪具有重要地位,研究运动目标的检测与跟踪的问题,具有重要的理论价值和应用价值。基于分布域的目标跟踪算法因其表示方法更接近人的视觉效果而得到研究者的青睐,它不仅克服了传统目标跟踪中模糊图像处理带来的像素值信息损失的缺点,而且具有较大的吸引域,使得在跟踪过程中可以有效的减少漂移的发生。但是,对于遮挡以及目标快速变化等问题,跟踪准确性仍然存在不足,因此,本文针对此问题提出了算法的改进:第一,为了提升算法的整体优越性,在跟踪算法中用格雷码表示图像,这可以增加相邻图像间的相关性,从而提高跟踪的准确性。第二,在目标跟踪前进行图像分层预处理,使得不管在目标的跟踪过程中还是模板的更新都只对有效的信息进行。本文主要是对基于DFs(Distributed Fields,分布域)目标跟踪算法的研究,并在此基础上进行算法改进。本文的主要工作如下:(1)在DFs目标跟踪的基础上加入格雷码。根据格雷码自身具有良好的相关特性,将其应用于目标跟踪中。实验结果显示,大部分视频序列的跟踪准确性都有所提高,尤其是针对三维旋转运动,girl视频序列的跟踪准确性从73.00%提高到97.03%。(2)在目标跟踪前对图像进行分层预处理。在图像跟踪过程中,针对极其棘手的遮挡问题,本文提出新的改进方法,对输入的图像首先按照灰度值进行分层,将每个像素点处的灰度值与靠近此点的目标框的灰度值进行比较,将有利于目标的背景标记为有利的样本,不利于目标的背景标记为不利的样本,最后构成一个只有标志值的矩阵。将标志值矩阵与图像信息同时保存,从中选取有效信息,有取舍的进行目标跟踪和模板更新。实验结果显示针对有遮挡的视频序列,跟踪准确性有所提高,其中,sylvester序列中,跟踪的正确率从61.71%增加到80.75%。最后,本文为了验证这两种改进算法的有效性,将实验结果分别与MIL(Multiple Instance Learning,多实例学习)、MKT(Multiple Kernel Tracking,多核跟踪)、PROST(Parallel Robust Online Simple Tracking,平行健壮的在线简单跟踪)、DFs几种典型的目标跟踪算法进行对比。实验结果表明,本算法对目标跟踪的成功率有很大改进,尤其是对于遮挡目标,取得了理想的效果。